Classificação de padrões radiológicos por blocos em imagens não segmentadas de tomografia computadorizada

Registro completo de metadados
MetadadosDescriçãoIdioma
Autor(es): dc.contributorWeingaertner, Daniel-
Autor(es): dc.contributorOliveira, Lucas Ferrari de-
Autor(es): dc.contributorUniversidade Federal do Paraná. Setor de Ciências Exatas. Programa de Pós-Graduação em Informática-
Autor(es): dc.creatorBagesteiro, Luiza Dri-
Data de aceite: dc.date.accessioned2019-08-22T00:37:24Z-
Data de disponibilização: dc.date.available2019-08-22T00:37:24Z-
Data de envio: dc.date.issued2017-03-15-
Data de envio: dc.date.issued2017-03-15-
Data de envio: dc.date.issued2015-
Fonte completa do material: dc.identifierhttp://hdl.handle.net/1884/40319-
Fonte: dc.identifier.urihttp://educapes.capes.gov.br/handle/1884/40319-
Descrição: dc.descriptionOrientador : Prof. Dr. Daniel Weingaertner-
Descrição: dc.descriptionCo-orientador : Prof. Dr. Lucas Ferrari de Oliveira-
Descrição: dc.descriptionDissertação (mestrado) - Universidade Federal do Paraná, Setor de Ciências Exatas, Programa de Pós-Graduação em Informática. Defesa: Curitiba, 29/06/2015-
Descrição: dc.descriptionInclui referências : f. 76-84-
Descrição: dc.descriptionResumo: As Doenças Pulmonares Difusas (DPDs) são compostas por mais de 180 patologias que causam danos nos pulmões. Os pacientes que possuem essas doenças apresentam alterações no tecido pulmonar, que podem ser visualizadas em imagens de Tomografia Computadorizada (TC). Dessa forma, torna-se importante identificar essas alterações nas imagens, pois juntamente com outras informações, elas podem definir o tipo de doença que o paciente possui. Com base nisso, o objetivo deste trabalho é reconhecer automaticamente padrões radiológicos em imagens não segmentadas de TC do pulmão, e também classificar áreas externas à região pulmonar, além dos cinco padrões pulmonares: normal, enfisema, opacidade em vidro-fosco, fibrose e micronódulos. Para atingir os objetivos, uma metodologia que avalia diversos descritores é proposta. Em busca de uma complementaridade entre os resultados, são realizadas combinações entre as respostas dos classificadores. Utilizando uma base de imagens pública, com 20.540 blocos de imagens de TC, cada descritor foi submetido a um classificador Support Vector Machine que gerou scores para representar a probabilidade das amostras pertencerem a cada uma das seis classes. Após isso, os classificadores foram combinados empregando algumas regras de fusão. O classificador CLBP invariante à rotação e uniforme obteve o melhor resultado individual, e combinado com a transformação top-hat, atingiram taxas de 81,65% de sensibilidade e 96,06% de especificidade. Com base na relevância dos resultados obtidos, o próximo passo é analisar a possibilidade de desenvolver uma ferramenta de auxílio ao diagnóstico utilizando a metodologia desenvolvida. Palavras-chave: padrões radiológicos, doenças pulmonares difusas, Tomografia Computadorizada, reconhecimento de padrões.-
Descrição: dc.descriptionAbstract: Diffuse lung diseases (DLDs) are comprised of more than 180 diseases that cause damage to the lungs. Patients who have these diseases present changes in lung tissue, which can be seen on Computed Tomography (CT) images. Thus, it becomes important to identify alterations in these images because, along with other information, they can define the type of disorder that the patient has. The aim of this study is to automatically recognize radiological patterns in non-segmented lung CT images, and also to classify the areas outside the lung region, in addition to five lung patterns: normal, emphysema, groundglass opacity, fibrosis and micronodules. To achieve the objectives, a methodology that evaluates various descriptors is proposed. Searching for a complementarity of the results, combinations are performed among the classifiers. Using a public dataset containing 20.540 CT blocks, each descriptor was subjected to a classifier Support Vector Machine generating scores to represent the likelihood of the samples belonging to each of the six classes. After that, the classifiers were combined using fusion rules. The rotation invariant uniform CLBP classifier achieved the best individual result, and combined with top-hat transform descriptor, reached rates of 81.65% of sensitivity and 96.06% of specificity. Based on the relevance of the results obtained, the next step is to analyze the possibility of developing a support tool for diagnosis using the developed methodology. Keywords: radiological patterns, diffuse lung diseases, Computed Tomography, pattern recognition.-
Formato: dc.format84 f. : il., tabs., grafs., algumas color.-
Formato: dc.formatapplication/pdf-
Formato: dc.formatapplication/pdf-
Relação: dc.relationDisponível em formato digital-
Palavras-chave: dc.subjectCiência da computação-
Palavras-chave: dc.subjectReconhecimento de padrões-
Palavras-chave: dc.subjectProcessamento de imagens-
Palavras-chave: dc.subjectTomografia computadorizada-
Palavras-chave: dc.subjectTeses-
Título: dc.titleClassificação de padrões radiológicos por blocos em imagens não segmentadas de tomografia computadorizada-
Tipo de arquivo: dc.typelivro digital-
Aparece nas coleções:Repositório Institucional - Rede Paraná Acervo

Não existem arquivos associados a este item.